[논문 리뷰] Neural General Circulation Models for Weather and Climate

Dmitrii Kochkov, Janni Yuval외 14명|arXiv (Cornell University)|2023. 11. 13.

Meteorological Phenomena and Simulations인용 수 24

한 줄 요약

NeuralGCM은 신경-매개변수화 물리 모듈과 미분가능한 역학 코어를 결합한 지구 대기의 최초의 완전한 미분가능 혼합 일반 순환 모델로, 최첨단 기상 및 기후 예보를 달성하면서 대규모 계산 절감을 가능하게 한다.

ABSTRACT

General circulation models (GCMs) are the foundation of weather and climate prediction. GCMs are physics-based simulators which combine a numerical solver for large-scale dynamics with tuned representations for small-scale processes such as cloud formation. Recently, machine learning (ML) models trained on reanalysis data achieved comparable or better skill than GCMs for deterministic weather forecasting. However, these models have not demonstrated improved ensemble forecasts, or shown sufficient stability for long-term weather and climate simulations. Here we present the first GCM that combines a differentiable solver for atmospheric dynamics with ML components, and show that it can generate forecasts of deterministic weather, ensemble weather and climate on par with the best ML and physics-based methods. NeuralGCM is competitive with ML models for 1-10 day forecasts, and with the European Centre for Medium-Range Weather Forecasts ensemble prediction for 1-15 day forecasts. With prescribed sea surface temperature, NeuralGCM can accurately track climate metrics such as global mean temperature for multiple decades, and climate forecasts with 140 km resolution exhibit emergent phenomena such as realistic frequency and trajectories of tropical cyclones. For both weather and climate, our approach offers orders of magnitude computational savings over conventional GCMs. Our results show that end-to-end deep learning is compatible with tasks performed by conventional GCMs, and can enhance the large-scale physical simulations that are essential for understanding and predicting the Earth system.

연구 동기 및 목표

• 전통적인 GCM 매개변화를 학습 가능한 구성요소로 대체하거나 보강하여 예측 기술과 불확실성 정량화를 개선하려는 동기를 부여한다.
• End-to-end로 학습된 신경 물리 모듈과 역학 코어를 통합한 완전 미분가능한 하이브리드 모델을 개발한다.
• 날씨에서 기후에 이르는 시간 스케일 전반에 걸쳐 결정론적이고 앙상블 예측을 정확하게 가능하게 하며 다일 예측 및 수십 년 시뮬레이션을 포함한다.
• 모델이 계절 주기, 열대 저기압 등의 현실적 기후 특징을 생성하고 장기 적분에서 안정성을 유지할 수 있음을 보여준다.
• 전통 모델에 비해 계산 효율을 정량화하고 일반화 및 물리적 일관성을 평가한다.

제안 방법

• 수평 가상 스펙트럴 이산화와 수직 시그마 좌표를 가진 수분 포함 수력학 원방 방정식을 해결하는 미분가능한 역학 코어를 사용한다.
• 은 해석되지 않은 프로세스(구름, 복사, 강수)를 인코드-프로세스-디코드 아키텍처를 통해 매개변수화하는 단일 열 신경망을 구현하고 가중치는 열 간 공유한다.
• ERA5 압력 수준 데이터와 모델 시그마 좌표 수준 간 매핑을 위한 인코더/디코더를 도입하고, 초기화 충격을 줄이기 위한 인터페이스의 학습된 보정을 포함한다.
• 끝까지 학습 가능한 롤아웃 기반 온라인 학습으로 예측 지평선을 시간당 5일로 점진 확장하고, 격자 및 스펙트럼 공간에서의 정확도, 선명도, 바이어스를 균형 있게 하는 손실을 사용한다.
• 확률적 특성을 도입하여 CRPS 기반 손실과 학습된 공간/시간 상관 관계를 가진 가우시안-랜덤 필드 잡음으로 앙상블 예측을 생성한다.
• 다양한 해상도(2.8°, 1.4°, 0.7°)와 32 수직 레벨에서 평가하고, 결정론적 및 확률적 변형을 ECMWF-ENS/HRES, GraphCast, Pangu와 비교하며 SST/SI가 주어진 기후 시뮬레이션을 수행한다.

실험 결과

연구 질문

• RQ1 완전히 미분가능한 하이브리드 GCM이 1-15일 예보의 상태-기반 결정론적 및 앙상블 예보에서 최첨단 수준에 도달할 수 있는가?
• RQ2 End-to-end로 학습된 신경 매개변수와 미분가능한 역학 코어를 결합하면 현실적인 현상을 포함한 안정적인 장기 기후 시뮬레이션을 생성할 수 있는가?
• RQ3 NeuralGCM의 앙상블 예측이 CRPS, 스프레드-스킬에서 전통적 앙상블 예측과 비교해 잘 보정되는가?
• RQ4 전통 매개변수를 학습된 구성요소로 대체할 때 계산 상의 트레이드오프 및 확장성 이득은 무엇인가?
• RQ5 AMIP 유사 설정에서 NeuralGCM이 열대 사이클 경로, Hadley 순환, 몬순, 계절 주기와 같은 주요 기후 특징을 재현할 수 있는가?

주요 결과

• NeuralGCM은 1-10일 결정론적 기상 예보와 1-15일 앙상블 예보에서 최첨단 모델과 경쟁력 있는 정확도를 달성한다.
• 확률적 NeuralGCM-ENS는 대부분의 변수 및 선행 시점에서 ECMWF-ENS보다 엔트로피 평균 RMSE와 CRPS를 더 낮게 달성하고, 스프레드-스킬 비율은 거의 1에 가깝다.
• 더 거친 해상도(2.8°–1.4°)에서 NeuralGCM은 AMIP 유사 실행 하에서 계절 주기, Hadley 수렴, 몬순, 열대 저기압 등의 기후 거동을 현실적으로 시뮬레이션할 수 있다.
• SST가 주어진 40년 AMIP-like 실험에서 NeuralGCM은 역사적 기온 추세를 포착하고 일부 AMIP 기준선에 비해 기온 편향을 줄이며 현실적인 열대 온난화 구조를 유지한다.
• NeuralGCM은 계산 절감을 크게 제공하여 ECMWF IFS 및 구름 해상 모델에 비해 수평 해상도가 8–40배 더 거친 상태에서도 동작하고, 시뮬레이션을 3–5개의 차원 규모로 더 빠르게 수행한다.
• 사례 연구는 NeuralGCM이 재격자화될 때 ERA5에 더 가깝고 일부 고해상도 기준에 비해 극한 기상 동작을 현실적으로 보여준다.